註：90分鐘的視頻信息量巨大，文字僅為冰山一角，強烈建議觀看完整版視頻，請點擊鏈接：http://www.mooc.ai/open/course/359
趙地教授從深度學習的技術在人類的4大病種(臂叢神經、關節、乳腺、脂肪肝)影像中的前沿應用和大家分享了團隊的研究成果。
醫學影像是一個非常熱門的領域。超聲成像不僅僅是超聲儀器的小型化，還可以和移動計算、雲計算結合，在這樣的情況下，應用場景就會大大拓展。
趙地博士在授課過程中提到了特徵強調的概念：機器學習都要進行特徵工程的選取，再進行相關算法的訓練。特徵強調不需要選擇具體的特徵，研究人員可以強調某一部分的特徵，進行得到更精確的檢測結果。這個概念對於後續的深度學習算法的設計有非常好的作用，特別是在醫學影像分析方面。
嘉賓介紹
趙地：中國科學院計算機網絡信息中心（CNIC），百人計劃，副研究員
中國科學院計算機網絡信息中心「百人計劃」趙地博士畢業於美國路易斯安娜理工大學，並在美國哥倫比亞大學和OSU從事博士后研究，在人工智能的醫學應用工作十餘年。趙地老師帶領的腦科學計算研究課題組與NVIDIA成立「GPU教育中心」及「智慧醫療聯合實驗室」。
該團隊針對人類典型性疾病的早期診斷和治療展開研究，提出眾多解決方案並取得一系列成果。針對北京市乃至全國人口老齡化問題，趙地老師與首都醫科大學天壇醫院及宣武醫院合作，率先在國內開展了基於醫學領域知識及深度學習的阿爾茨海默病早期診斷的研究，承擔了北京市自然科學基金重點項目及北京市科技重大專項等多項課題。
同時，該課題組已與國內十幾家醫院合作，在HIV引起的認知障礙、血管性認知障礙、肺癌篩查、頸動脈超聲識別、前列腺癌智能診斷、糖網鑒別等諸多領域展開深入研究，並取得了一系列突出成果。
課程內容：
如何在醫學影像分析中應用好深度學習
基於深度學習的臂叢神經識別
基於深度學習的關節智能識別
基於深度學習的乳腺超聲影像分析
基於深度學習的脂肪肝超聲影像分析
以下內容節選自趙地博士課程
基於Segnet的臂叢神經檢測
雷鋒網AI掘金志了解到，外科手術已經成為日常醫療過程中不可缺少的治療手段，但是隨之而來的是外科手術對病患身體與精神上的巨大創傷，特別是手術中及術后護理過程中的疼痛對病人有着極大的精神壓力。
因此，為了緩解術中與術后疼痛，現在廣泛使用各種麻醉方式進行鎮痛。但是這也不可避免的帶來副作用，特別是麻醉藥劑對神經系統的損害，因此為了提高麻醉效果，並且減小麻醉藥劑使用量，局部麻醉中藥劑注射部位精準度就成為關鍵。超聲設備在現代醫學檢測中有着廣泛的應用，其主要優勢有：便於移動；無創傷；價格低廉；沒有輻射。但是超聲也有缺點：分辨率弱於CT；檢查結果易受醫師水平影響。
趙地表示，在上肢手術與術后護理中，臂叢神經阻滯是一種常用的局部麻醉方式，為了精確確定臂叢神經位置，現在廣泛應用超聲設備對神經系統進行檢測和定位。
由於臂叢神經超聲圖像是識別神經結構和位置的重要來源，因此超聲圖像識別準確度直接影響注射針頭或者留置導管介入，而傳統的超聲圖像識別是基於醫生或者護士的經驗，所以介入精度受到人為因素影響。
為了使計算機能夠模擬醫生，向醫生學習，趙地博士團隊採用直接模擬「人」的方式入手，模擬人類大腦和視覺系統機理，從而實現把醫生在治療過程中問詢，結合化驗結果，檢查和診斷結論等知識放入計算機中。
針對介入精度受人為因素影響等問題，趙地博士團隊提出了一種基於深度學習(Deep Learning, DL) 中卷積神經網絡(Convolutional Neural Network ,CNN )架構的SegNet改進模型，用該模型訓練臂叢神經超聲圖像數據，找出臂叢神經組織特徵，進行臂叢神經組織自動檢測與分割。
他表示，Segnet的優點是分割的精度比較高，可以輔助麻醉手術甚至是遠程醫療，缺點是運算量比較大，需要高性能的設備支撐。
此外，趙地博士團隊的基於Segnet的臂叢神經檢測的訓練精度可以達到96%，基本滿足臨床上對於臂叢神經超聲影像分析的需求。
為了避免僅使用肉眼對比訓練數據的準確度進行模型評估，在模型訓練完成後，趙地老師的團隊將測試數據送入模型，然後上傳測試結果至Kaggle網站對實驗結果進行比較和評價，Kaggle網站使用戴斯係數（Dice coefficient）來評估圖像分割結果和原標籤數據的相似程度。
基於圖像前處理的臂叢神經檢測性能的提高
在此前的研究基礎上，趙地博士的團隊還通過對圖像進行前處理，得到邊界增強效果，從而進一步提高臂叢神經檢測的性能。
選擇一個好的前處理方式，對於特定檢測的目標的隱藏需求是很重要的，從超聲圖像中分割臂叢神經，更關注對於邊界的把握。
通過對臂叢神經的圖像能夠進行了兩次邊界增強以後，利用Segnet進行分割，可以進一步提高檢測精度，降低錯誤率。
他還分享了該項研究成果在超聲機上實際應用的效果。不同於實驗室環境，超聲機的運算能力有限。當超聲掃查面在接近臂叢標準面時，概率圖比較接近真實情況。
由於數據集不夠大、檢測體位的變化，導致超聲機實際操作過程中出現了假陽性診斷過多的現象。
趙地表示，在實際真機上要有好的處理效果，還需要增加預處理，以確保灰階分佈與訓練數據比較接近。
現在超聲都是連續的，身體項目的考核指標需要實時更新，如何在檢測模型的精度和速度上達到比較理想的效果，還需要進一步的研究。
乳腺結節/乳腺癌
隨後，趙地博士還講到乳腺結節篩查等方面的工作。
國內外研究的基本方法是基於紋理特徵的檢測方法和基於形態學的檢測方法。基於紋理特徵的檢測方法是通過提取中心矩、熵等紋理特徵，應用現行分類器識別腫瘤判定良惡性；基於形態學的檢測方法是對腫瘤進行半自動分割，提取腫瘤特徵進行乳腺癌的分級診斷。
但是其中還存在兩點問題：1、沒考慮到腫瘤的特殊形態及表現 2、過度依賴分割效果，出現特徵提取不全面或不充分。
要達到識別結節的目標，趙博士的團隊利用從醫院獲取的數據進行對抗網絡等方法實現數據擴增。利用線性對比度拉伸、非線性拉伸、直方圖均衡化等多種邊界增強的方法，在Alexnet上進行訓練。
經過這幾種前處理的方式以後，準確率有明顯的提高。趙博士表示，希望能夠對更多的臨床數據進行分析，不斷探索圖像前處理的方法，包括對抗網絡的設計方式，讓結果得到進一步的提升。
在課程中，趙地博士還講授了利用機器學習在脂肪肝紋理特徵進行前處理，實現特徵增強以及深度學習技術在關節方面的一系列工作。「如果我們可以把脂肪肝的超聲檢測做到更高的精度，甚至像臂叢神經一樣，如果能夠與移動超聲儀器相結合，將會產生非常大的價值。」
他表示，通過前處理的方式，可以有效地提高檢測的精度，這項工作非常重要而且很有必要。特別是超聲影像存在手法的問題，對於算法的設計者又提出了很多挑戰。
學員部分問題
雷鋒網AI掘金志線上直播結束后，學員從不同維度提出了25個問題，趙地博士對多數問題進行了耐心解答。
問題：
1、深度學習應用於醫學影像的話是否數據預/后處理比模型搭建更重要？對於小樣本和類別不平衡的數據該如何處理呢？
2、您覺得目前市場上哪3類病種影像分析方向最有前景？
3、邊界是怎麼增強的？
4、醫學圖像中有些分割目標相比較於背景而言非常少，一般如何解決醫學圖像中正負樣本不均衡問題？
5、對於分割區域標註不是很準確的情況，有什麼好的解決方案么？
6、對於用於腦瘤分割的核磁共振圖像的比較好的圖像前處理是什麼？
……
詳細內容和精彩問答，歡迎點擊鏈接：http://www.mooc.ai/open/course/359
